SOV-Transcribe-1は、Salesforceが2026年11月12日に公開したオープンウェイトの音声認識モデルで、公開から2日でArtificial Analysisのオープンソースランキング首位に立った。結論から言えば、精度はオープンソースの文字起こしの中で確かに最上位だが、53GBの重みと96GBのVRAMで計測された環境が、ほとんどの個人ユーザーを門前払いにする。大容量VRAMのGPUを持っていないなら、眺めているだけで十分で、急いで試す必要はない。
首位の価値：2.28%の中身
アーキテクチャはWhisper large-v3エンコーダーと投影層に、Gemma 4 26B A4B MoEデコーダーを組み合わせたもので、総パラメーター数26.6Bの非ストリーミング認識だ。AA-WERランキングでは単語誤り率2.28%、オープンウェイトモデルで1位、全44モデル中7位となり、Nemotron 3.5 Transcribeの2.81%やWhisper Large v3 Turboの4.62%を上回る。自然言語で文字起こしのスタイルを制御でき、ライセンスはApache 2.0で商用利用も可能だ。境界もはっきりしている。対応言語は欧州7言語のみで中国語はなく、1本の音声は最長30分までだ。
導入コスト：96GBのVRAMが絶対条件
公式リポジトリはHugging Faceにあり、組織名はsalesforce-sovereign-intelligence、プロジェクト名はSOV-Transcribe-1。重みとコードはすべてこのモデルページにあり、単独のGitHubリポジトリはない。導入方法は2通りある。付属のvLLM 0.32.0プラグインでOpenAI互換の文字起こしサービスを立てる方法と、Transformers 5.19から5.22にリポジトリ独自のモデリングコードを組み合わせる方法で、後者はtrust_remote_codeの有効化が必要だ。問題はコストだ。重みは約53GBで、12GB、16GB、24GBのコンシューマー向けGPUには収まらず、公式の数値は96GB搭載のRTX PRO 6000単体で計測されている。vLLMのデフォルトである同時1,024シーケンスではVRAM不足になるため、max_num_seqsを64まで下げる必要がある。速度は悪くない。30秒の録音が約0.22秒で書き起こされる。
落とし穴と境界：試すべき人、試すべきでない人
まず落とし穴だ。非ストリーミングモデルのため、録音済みの会議や通話、ポッドキャストの一括文字起こしにしか向かず、リアルタイム字幕やライブ配信には使えない。現時点では公式の量子化版やGGUF版がなく、コンシューマー向けGPUで動かすにはコミュニティの量子化を待つしかない。vLLMのエンドポイントは1リクエストあたり最長600秒の音声が既定で、30分の上限まで引き上げるには設定変更が必要だ。モデルカード自身も、ときどき繰り返し出力が出ることを認めており、後処理での除去が要る。一部のベンチマークデータは非公開で、ランキングのスコアを外部で完全に再現することはできない。向いているのは、80GB級のGPUを持ち、音声を社内ネットワークの外に出せない組織や、文字起こし量が多くて自前運用のほうがAPI利用より安上がりなチームだ。個人ユーザー、中国語の文字起こし、リアルタイム字幕の用途は今は見送るのが賢明で、Whisper Large v3 Turboのほうが手軽だ。
